Deep learning-based mixed-dimensional Gaussian mixture model for characterizing variability in cryo-EM.
Deep learning-based mixed-dimensional Gaussian mixture model for characterizing variability in cryo-EM.
复制标题
DOI：
10.1038/s41592-021-01220-5
复制
发表时间：
2021-08
期刊：
影响因子：
48
通讯作者：
Ludtke SJ
中科院分区：
文献类型：
--
作者：
Chen M;Ludtke SJ
结构灵活性和/或与其他分子的动态相互作用是蛋白质功能的一个关键方面。CryoEM提供了单个大分子采样不同构象和组成状态的直接可视化。虽然有许多方法可用于离散状态的计算分类，但在没有人类监督的情况下，连续构象变化或大量离散状态的表征仍然具有挑战性。在这里，我们提出了e2gmm，一种机器学习算法，用于确定蛋白质或复合物的构象景观，该算法使用三维高斯混合模型映射到已知方向的二维粒子图像上。利用深度神经网络架构，e2gmm可以自动解决蛋白质复合物内部的结构异质性，并将颗粒映射到描述构象和组成变化的小潜在空间上。该系统比目前使用的其他流形方法更直观、更灵活。我们在模拟数据和三种生物系统上展示了这种方法，以探索一系列尺度下的成分和构象变化。该软件作为EMAN2的一部分分发。
Structural flexibility and/or dynamic interactions with other molecules is a critical aspect of protein function. CryoEM provides direct visualization of individual macromolecules sampling different conformational and compositional states. While numerous methods are available for computational classification of discrete states, characterization of continuous conformational changes or large numbers of discrete state without human supervision remains challenging. Here we present e2gmm, a machine learning algorithm to determine a conformational landscape for proteins or complexes using a 3-D Gaussian mixture model mapped onto 2-D particle images in known orientations. Using a deep neural network architecture, e2gmm can automatically resolve the structural heterogeneity within the protein complex and map particles onto a small latent space describing conformational and compositional changes. This system presents a more intuitive and flexible representation than other manifold methods currently in use. We demonstrate this method on both simulated data as well as three biological systems, to explore compositional and conformational changes at a range of scales. The software is distributed as part of EMAN2.
登录
查看更多内容
影响因子：
64.8
作者：
Kim SJ;Fernandez-Martinez J;Nudelman I;Shi Y;Zhang W;Raveh B;Herricks T;Slaughter BD;Hogan JA;Upla P;Chemmama IE;Pellarin R;Echeverria I;Shivaraju M;Chaudhury AS;Wang J;Williams R;Unruh JR;Greenberg CH;Jacobs EY;Yu Z;de la Cruz MJ;Mironska R;Stokes DL;Aitchison JD;Jarrold MF;Gerton JL;Ludtke SJ;Akey CW;Chait BT;Sali A;Rout MP
通讯作者：
Rout MP
影响因子：
64.5
作者：
Davis, Joseph H.;Tan, Yong Zi;Carragher, Bridget;Potter, Clinton S.;Lyumkis, Dmitry;Williamson, James R.
通讯作者：
Williamson, James R.
影响因子：
--
作者：
Ludtke, S. J.
通讯作者：
Ludtke, S. J.
影响因子：
3
作者：
Baldwin, P. R.;Penczek, Pawel A.
通讯作者：
Penczek, Pawel A.
影响因子：
64.8
作者：
Ke, Zunlong;Oton, Joaquin;Briggs, John A. G.
通讯作者：
Briggs, John A. G.